Basic of Statistics

Apa itu Statistik

1. Collecting
2. Analyzing
DATA INFORMASI
3. Interpreting
4. Drawing conclusion

“Metode pengumpulan data, menganalis data,

menginterpretasikan data, dan menarik kesimpulan
sehingga diperoleh informasi yang lebih bermanfaat”
Manfaat Statistik

1. Efektifitas dari obat terahadap penyembuhan penyakit.

2. Mengetahui reaksi pemirsa terhadap iklan TV.
3. Mengetahui jumlah pengangguran setiap tahun.
4. Mengetahui metode meningkatkan kuliatas produk.
5. Memprediksi cuaca.
6. Memprediksi penjualan suatu produk.
Populasi dan sample

Population : Sekumpulan Individu,

object, item yang berhubungan
dengan tujuan dilakukannya
pengamatan (study).

Sample : Bagian dari population

dimana data pengamatan diperoleh.
(Johnson & Bhattacharyya, 1992
Descriptive &Inferential Statistics

Descriptive Statistics : Metode statistik untuk mengorganisasikan atau meng-

summary-kan suatu informasi menggunakan tabel, grafik, chart yang diperoleh
dari berbagai macam pengukuran. Contoh: average, percentil, vatiation dll.
Inferential Statistics : Metode statistik untuk menilai dan mengukur dan
menyimpulan sekelompok data/informasi dari suatu populasi/sample. Contoh:
estimasi, Interval estimation, hypothesis testing dll yang mengacu pada teory
probabilitas
Outcome of the roll Frequencies in the sample data
1 10
2 20
3 18
4 16
5 11
6 25
7 30
Statistical data analysis
Menentukan
Merumuskan
Populasi dan
Masalah
Sample
Objective:
Membuat kesimpulan dari suatu
populasi dengan cara melakukan
analisa terhadap informasi yang ada Mendeskripsikan
pada sample dari populasi tersebut. Mengumpulkan
data (Descriptive
data
statistics)
Jarkko Isotalo

Menyelesaikan
masalah Melaporkan Hasil
menggunakan (Report)
metode yang sesuai
Probabilitas
Probabilitas dari suatu kejadian mempunyai nilai antara 0 dan 1.

Contoh : sautu mobil yang memiliki 100 komponen, 4 komponen mengalami

kerusakan. Dapat dikatakan probabilitas kerusakan komponen mobil tersebut
sebesar 0,04 atau 4%.

Secara acak, 100 komponen mobil tersebut memiliki kemungkinan rusak yang
sama.

Terdapat 3 besaran dasar pada ilmu probabilitas/statistik:

1. Mean : nilai rata-rata dari sekumpulan angka. σ 𝑥𝑖
2. Median : nilai tengah dari sekumpulan angka. 𝑥ҧ =
𝑛
3. Mode : nilai yang sering muncul dari sekumpulan angka.
Dispersion (Sebaran)
Ketidakseragaman besaran atau nilai pada suatu kumpulan data.

DATA-1 DATA-2 DATA-3

10 2 8
10 5 9
10 10 10
11 16 7
10 18 15
Cara mengukur dispersion/sebaran:
∑ = 51 ∑ = 51 ∑ = 51 1. Range
X = 10,2 X = 10,2 X = 10,2 2. Sample Standard Deviation
Median=10 Median=10 Median=9 3. Population Standard Deviation
Range
(Diperoleh dengan cara mengurangi nilai terbesar dengan nilai terkecil)
---------------------------------
Smallest 10 4
12 10
18 16
Largest 20 15
---------------------------------
Total = 45 Range merupakan metode yang paling sederhana
--------------------------------- dalam menentukan Dispersion/sebaran. Metode ini
Absolute Range = 20 – 10 = 10
tidak dapat menggambarkan informasi yang
Nilai Freq terkandung di dalam suatu kumpulan data.
---------------------------
10 – 15 4
S = 10 15 – 20 10
L = 30 20 – 25 26
25 – 30 8
---------------------------
Absolute Range = L – S = 30 – 10 = 20
 Standard Deviation

σ(𝑥−𝑥)ҧ 2 σ(𝑥−μ)2
Sample standard deviation = s = Population standard deviation = s =
𝑛−1 𝑁
1. Perhitungan SD diperoleh dari data sample 1. Perhitungan SD diperoleh dari seluruh
2. Simbol (s) data dalam suatu populasi
3. Pembagi (n-1) jumlah sample - 1 2. Simbol (σ)
3. Pembagi N (jumlah anggota dalam
suatu populasi)

1500 warga diambil sebagai sample dari seluruh penduduk indonesia untuk diukur tinggi badannya. Dalam contoh
kasus ini, populasi adalah seluruh penduduk indonesia dan sample adalah 1500 warga yang dipilih secara acak untuk
diukur tinggi badannya.apabila tinggi badan rata-rata adalah 170 cm, maka 170 cm tersebut menunjukkan sample
mean dan 170 cm merupakan nilai statistik. Dari hasil perhitungan tersebut dapat disimpulkan bahwa rata-rata tinggi
badan orang indonesia sekitar 170 cm. Apabila populasi aktual disebut pula parameter, maka statistik merupakan nilai
estimasi dari suatu parameter.
Basic probability concepts
• Probabilitas dari kejadian A P(A) tidak terjadi adalah : 1-P(A). Atau sering
dituliskan dengan P(-A) = 1 – P(A).
• Hukum penjumlahan peluang yang tidak memiliki keterkaitan satu dan yang
lainnya (mutually exclusive). P(A or B) = P(A) + P(B)
• Hukum penjumlahan peluang umum adalah P(AorB)=P(A)+P(B)-P(A and B).
• Contoh:

1. P(red dan small) ?

2. P(red atau small) ?
3. P(red atau yeloow) ?
Basic probability concepts
• Hukum perkalian peluang yang tidak memiliki keterkaitan satu dan yang lainnya
(independent). P(A and B) = P(A) x P(B)
• Hukum penjumlahan peluang umum adalah P(AandB)=P(A)xP(B|A).
• Conditional Probability

• Dimana A adalah data yang diberikan dan B adalah populasi yang terdapat di
dalam A.
• Contoh: merujuk pada halaman sebelumnya:
 Kombinasi dan Permutasi
• Kombinasi : banyaknya cara dalam menyusun beberapa objek dari
suatu grup tanpa memperhatikan urutan

Dalam 20 hasil produksi, terdapat 2 yang cacat. Seorang teknisi, secara acak memilih 2 hasil produksi tsb secara
bersamaan untuk dilakukan quality control. Berapa kemungkinan kedua hasil produksi yang dipilih secara acak
tersebut adalah hasil produksi yang cacat?

Banyaknya cara suatu kejadian terjadi

P = -------------------------------------------------
Banyaknya kemungkinan yang terjadi
 Contoh Kombinasi
Dalam 20 hasil produksi, terdapat 3 yang cacat. Seorang teknisi, secara acak memilih 2 hasil produksi tsb
secara bersamaan untuk dilakukan quality control. Berapa kemungkinan kedua hasil produksi yang dipilih
secara acak tersebut adalah hasil produksi yang cacat?

Misal hasil produksi yang cacat adalah A, B, C

Kemungkinan 2 hasil produksi, yang diambil secara acak, cacat dari 3 hasil produksi yang cacat adalah AB, AC, BC

Kemungkinan seluruh hasil yang mungkin 2 dari 20 hasil produksi, adalah:

Kemungkinan kedua hasil produksi yang dipilih adalah cacat adalah:

Kombinasi dan Permutasi
• Permutasi : banyaknya cara dalam menyusun beberapa objek dari
suatu grup dengan memperhatikan urutan

Terdapat kotak berisi 20 komponen dengan nama A s/d T. Dua komponen diambil secara acak dan berurutan.
Berapa kemungkinan kedua komponen yang dipilih tersebut adalah A dan T secara berurutan.

Kemungkinan seluruh hasil yang mungkin 2 dari 20 komponen:

Kemungkinan kedua kedua komponen A dan T secara berurutan adalah:

 Contoh Permutasi
Di dalam suatu kelas yang terdiri dari 7 orang (A,B,C,D,E,F,G), akan diadakan pemiliha ketua, sekertaris dan
bendahara. Berapa peluang / kemungkinan A, B dan C dapat terpilih apapun posisinya

Jumlah Kemungkinan A,B dan C terpilih apapun posisinya adalah: ABC, ACB, BAC ....dst adalah:

Jumlah Kemungkinan seluruh siswa (7 orang) terpilih apapun posisinya adalah:

Kemungkinan kedua hasil produksi yang dipilih adalah cacat adalah:

Discrete & Continuous Probability
Distribution
DISCRETE
DISTRIBUTION

PROBABILITY
DISTRIBUTION

CONTINUOUS
DISTRIBUTION

Distribusi probabilitas adalah kemungkinan acak suatu

random variable atau sekumpulan random variable
Discrete Distribution

Menggambarkan fenomena dua hasil. Contoh:

BINOMIAL sehat-sakit, sukses-gagal dll
DISTRIBUTION

DISCRETE
DISTRIBUTION
Menggambarkan probabilitas suatu
POISSON kejadian dengan jumlah tertentu
DISTRIBUTION
Binomial Distribution

n = jumlah sample/subjek
x = jumlah yang diinginkan (contoh: jumlah gagal)
p = Probabilitas dari x
P(X=x) = Probabilitas yang diinginkan

Contoh soal:
Misal, dari seluruh hasil produksi suatu komponen mobil, 25% mengalami kegagalan. Apabila sample 6 komponen
diambil secara acak, berapakah probabilitas tidak satupun yang gagal dari ke enam sample tersebut.
 Binomial Distribution
DIKETAHUI: HASIL PERHITUNGAN GRAFIK HASIL PERHITUNGAN
1. Prosentase komponen gagal 25%
2. Probabilitas komponen gagal 0.25
3. p = 0.25
4. Jumlah sample (n) = 6
5. Jumlah diharapkan gagal (x) = 0

Probability Density Function (PDF)

Binomial Distribution
Comulative Distribution Function: Digunakan untuk menghitung
probabilitas sampai nilai x tertentu.

Pada contoh di atas, apabila ingin dicari, probabilitas ditumukan dua

komponen gagal dari 6 sample yang diambil secara acak adalah:
Poisson Distribution
𝜆 𝑥
𝑃 𝑋 = 𝑥 = 𝑒 −𝜆
𝑥!

x = jumlah kemungkinan yang akan dihitung

λ = konstanta poisson distribution
e = 2.71828.....

Contoh soal
Diketahui jumlah customer yang datang ke suatu bank pada jam tertentu mempunyai nilai poisson
distribution (λ) = 5.4 . Tentukan probabilitas 6 customer berkunjung pada jam tersebut.
Poisson Distribution
PDF (Probability Density Function) dari permasalahan di atas adalah:

Comulative Distribution Function (CDF) untuk kedatangan kustomer maksimal 4 orang adalah:
 Continuous Distribution
Merupakan salah satu continuous distribution
EXPONENTIAL yang digunakan untuk menentukan waktu
DISTRIBUTION kegagalan suatu produk “time to failure” pada
laju kegagalan constant “constant failure rate”

WEIBULL
DISTRIBUTION
CONTINUOUS
DISTRIBUTION Merupakan distribusi yang paling banyak
NORMAL digunakan, baik dalam teori maupun “best
DISTRIBUTION practice”

LOGNORMAL
DISTRIBUTION
Exponential Distribution
Merupakan salah satu continuous distribution yang digunakan untuk menentukan waktu kegagalan
suatu produk “time to failure distribution” pada laju kegagalan constant “constant failure rate”
dengan PDF sebagai berikut:
1
Dimana: 𝜎= Standard Deviasi
λ= constant failure rate 𝑓 𝑡 = 𝜆𝑒 −𝜆𝑡 𝜆
t= times, cycle, distance dll 1
μ= Rata-rata / mean
𝜆

Dengan Comulative Distribution Function (CDF) sebagai berikut:

𝑎
𝑃 𝑥 ≤ 𝑎 = 𝐹 𝑎 = න 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑎
0
Contoh soal: Exponential Distribution

Tentukan Probabilitas kegagalan (PDF) dari suatu komponen setelah digunakan

selama 1000 jam. Failure rate komponen tersebut adalah 0.00053 kegagalan/jam.

𝑓 𝑡 = 𝜆𝑒 −𝜆𝑡
𝑓 1000 = 0.00053𝑒 −0.00053 𝑥 1000
𝑓 1000 = 0.00031
Exponential Distribution
CDF adalah probabilitas kegagalan sejak waktu pertama (t=0) sampai waktu (t) tertentu.

𝐶𝐷𝐹 = 𝑃 𝑥 ≤ 𝑡 = 1 − 𝑒 −𝜆𝑡

P(Suatu unit tetap beroperasi pada waktu (t)) = 1 - P(gagal dari waktu (t))
P(Suatu unit tetap beroperasi pada waktu (t)) = 1 - CDF
P(Suatu unit tetap beroperasi pada waktu (t) = Reliability suatu unit pada waktu (t) = R(t)

R 𝑡 = 𝑒 −𝜆𝑡

Contoh:
Tentukan reliability suatu komponen yang beroperasi selama 1000 jam dengan failure rate 0.00053 failures/hour

R 1000 = 𝑒 −0.00053 𝑥 1000 = 0.59

 Weibull Distribution
PDF untuk weibull distribution didefinisikan sebagai berikut.

𝛽−1 𝑡 𝛽
𝛽 𝑡 − 𝜂
PDF= 𝑓(𝑡) = 𝑒
𝜂 𝜂

β = shape parameter ≥ 0
ƞ = Scala parameter ≥ 0
Untuk β = 1, permasaan akan berubah menjadi exponential
distribution.
Untuk β = 3.44 bentuk kurva mendekati bentuk kurva normal
distribution.

CDF dan Reliability untuk weibull distribution adalah sebagai berikut:

𝑡 𝛽 𝑡 𝛽
− −
F 𝑡 =1−𝑒 𝜂 R 𝑡 =1−𝐹 𝑡 =𝑒 𝜂
Weibull Distribution
Contoh soal:
Waktu suatu produk untuk mengalami kegagalan memiliki konstanta pada
weibull distribution sebagai berikut:
β=0,72
ƞ=10.000
Tentukan reliability produk tersebut pada saat beroperasi selama 200 jam

200 0.72
−
R 200 = 1 − 𝐹 𝑡 = 𝑒 10000 = 0.94

Artinya: 94% dari seluruh produk tersebut akan tetap beroperasi setelah 200
jam